新的D3O框架通过动态标签蒸馏增强有序回归

研究人员推出了一种新颖的有序回归框架D3O，该框架通过自蒸馏在训练过程中动态调整标签分布。该方法旨在克服标签标注中主观人类判断带来的挑战，这种判断常常导致边界模糊和标注噪声。D3O包含一个模块，通过利用视觉-语言对齐来捕捉类间模糊性和实例级不确定性，从而增强标签分布。此外，跨层蒸馏机制确保了网络层之间有序结构的连贯性。在四个有序回归任务上的实验表明，D3O在处理类别不平衡和噪声监督时表现出卓越的性能。 AI

影响 引入了一种处理有序回归任务中噪声和模糊标签的新颖方法，有望提高模型的鲁棒性。

排序理由 该集群包含一篇详细介绍有序回归新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• Connected Papers
• D3O
• DagsHub
• Gotit.pub
• Hugging Face
• Litmaps
• ScienceCast
• Scite

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →